王汉章

摘 要：接触网设备故障现在已成为高速列车晚点的重要原因之一，而接触网设备的大部分故障都有着外观表现，本文将接触网采集视频进行基于HOG+SVM的处理，把接触网设备图像信息从视频中分类出来，建立铁路线路接触网设备图像管理库，辅助检修人员进行接触网设备的检修。

关键词：接触网;HOG;SVM

DOI：10.16640/j.cnki.37-1222/t.2019.19.093

接触网是指为电力机车供电在铁路线路上空架设的输电设备，如图1所示。接触网的常见故障有异物、丢件、断线、破损、散股、硬弯、偏磨、烧伤等，而大部分故障均存在着外观表现，可通过对设备的观察来发现。目前虽然已有了多种检测手段，但视觉观察仍是一种不可替代的检测手段。本文通过对采集视频的数字处理，辅助接触网的故障诊断。

1 应用到的技术

方向梯度直方图（Histogram of Oriented Gradient， HOG）特征是用于计算机视觉和图像处理中目标检测的一种特征描述。通过计算和统计图像局部区域的梯度方向直方图，构造了图像的HOG特征。

支持向量机（Support Vector Machine， SVM）是一种基于监督学习（supervised learning）对数据进行二元分类（binary classification）的广义线性分类器（generalized linear classifier）。其决策边界是求解学习样本的最大边缘超平面（maximum-margin hyperplane）。

OpenCV（Open Source Computer Vision Library，OpenCV）是一个

基于BSD开源协议的跨平台计算机视觉库。它可以在Linux、Windows、Android和MacOS操作系统上运行，由一系列C函数和少量C++类组成，是轻量级和高效的。还提供了Python、Ruby、MATLAB等语言的接口，实现了计算机视觉和图像处理的多种通用算法，包括HOG和SVM等的算法。

2 视频处理

通过电力机车或检测车上安装的摄像头，录制铁路线路上空接触网设备的视频信息。

通过VS和OpenCV编程，将录制好的视频分解为特定的图片，并标记对应的各种信息，用来制作样本库和测试库，进行SVM的监督学习。

训练好的SVM可用各线路上录好的视频来制作接触网设备图像库。

3 HOG提取

（1）在OpenCV中Win、Block、Cell的定义。检测窗口像素128*64，在图像中水平和垂直滑动的步长均为8像素。

块像素16*16，在检测窗口中水平和垂直滑动的步长均为8像素。

单元格像素8*8，有9个梯度方向，统计9个方向的梯度直方图。

（2）描述HOG特征。单个检测窗口有（（128-16）/8+1）*（（64-16）/8+1）=105个块，单个块有4个单元格，单个单元格有9个Hog子向量，所以每个检测窗口的Hog描述子的向量长度是105*4*9=3780维。HOG特征提取是统计梯度直方图特征。将梯度方向（0～360°）划分为9个区间，将图像化为16x16的若干个块，每个块再化为4个单元（8x8）。对每一个单元，算出每一像素点的梯度方向和模，按梯度方向增加对区间的值，最终综合N个单元的梯度直方图利用插值形成一个高维描述子向量。

（3）灰度化和标准化空间。为便于快速处理，转化为灰度图。为了减少光照因素的影响，首先需要将整个图像进行规范化（归一化），这种处理能够有效地降低图像局部的阴影和光照变化。

（4）将图像分割为单元格。检测窗口和块的水平和垂直滑动的步长都是单元格的宽度或高度，可以把整个图像分割成为一系列的单元格组成。

（5）计算图像中像素的梯度。計算每个像素位置的梯度方向值，求导捕获轮廓和纹理信息，进一步弱化光照的影响。

（6）计算单元格的梯度方向直方图。统计局部图像梯度信息，得到局部图像区域的特征描述向量。单元格中的每一个像素点都为某个基于方向的直方图通道（orientation-based histogram channel），根据该像素点的梯度幅度作为权值进行加权投票（weighted voting）来计算单元格的梯度方向直方图。

（7）把单元格组合成块，块内归一化梯度直方图。由于局部光照的变化以及前景-背景对比度的变化，使得梯度强度的变化范围非常大。这就需要对梯度强度做归一化。归一化能够进一步地对光照、阴影和边缘进行压缩。

（8）生成HOG特征描述向量。将所有块的HOG描述符组合在一起，形成最终的feature vector，该feature vector就描述了检测窗口的图像内容。

4 SVM训练

准备数据集，转化为 SVM支持的数据格式

选择径向基（RBF）核函数，并设置练习参数。

依次提取样本库的图像的HOG特征向量。对SVM进行训练和测试，并优化参数。

生成SVM训练结果，把它保存到XML文件中。

5 SVM识别

根据XML文件其中的支持向量和参数生成OpenCV中的HOG描述子可用的检测子参数，再调用OpenCV中的多尺度检测函数进行图像检测。将识别到图像进行分类管理。

6 结语

本文研究将录制的设备视频分解成图像，对图像进行处理，制作样本库和测试库，利用样本库的正负样本HOG特征训练SVM，得到XML文件。再利用训练好的SVM对其它接触网设备视频进行图像分解和分类保存，形成接触网设备图像库，辅助或进行更进一步的研究和设备故障诊断。研究可实现设备图像的计算机识别和分类保管，代替人工分类，可降低工作人员的工作量和出错率。

参考文献：

[1]http：//wiki.opencv.org.cn/index.php[DB/OL].

[2]http：//www.support-vector-machines.org/SVM_soft.html[DB/OL].

[3]http：//blog.csdn.net/zhazhiqiang/[DB/OL].